Oggi i microcontrollori possono essere trovati in quasi tutti i dispositivi tecnici, dalle lavatrici ai misuratori di pressione sanguigna e ai dispositivi indossabili. I ricercatori dell'Istituto Fraunhofer per circuiti e sistemi microelettronici IMS hanno sviluppato AIfES, un concetto di intelligenza artificiale (AI) per microcontrollori e sensori che contiene una rete neurale artificiale completamente configurabile. AIfES è una libreria di machine learning indipendente dalla piattaforma che può essere utilizzata per realizzare microelettronica ad autoapprendimento che non richiedono connessione a un cloud o a computer ad alte prestazioni. Il sistema di intelligenza artificiale relativo al sensore riconosce la scrittura a mano e i gesti, abilitando ad esempio il controllo gestuale dell'input quando la libreria è in esecuzione su un indossabile.

Attualmente esiste un'ampia varietà di soluzioni software per l'apprendimento automatico, ma di norma sono disponibili solo per PC e si basano sul linguaggio di programmazione Python. Non esiste ancora una soluzione che renda possibile eseguire e addestrare reti neurali su sistemi embedded come i microcontrollori. Tuttavia, può essere utile condurre la formazione direttamente nel sistema embedded, per esempio quando un sensore impiantato deve calibrarsi. La visione è un'IA correlata al sensore che può essere integrata direttamente in un sistema di sensori. Un team di ricercatori del Fraunhofer IMS ha trasformato questa visione in realtà sotto forma di AIfES (Artificial Intelligence for Embedded Systems), una libreria di machine learning programmata in C che può essere eseguita su microcontrollori, ma anche su altre piattaforme come PC, Raspberry PI e Android. La libreria contiene attualmente una rete neurale artificiale (ANN) completamente configurabile, che può anche generare reti profonde per l'apprendimento profondo quando necessario. Una RNA è un tentativo di simulare matematicamente il cervello umano utilizzando algoritmi al fine di rendere i contesti funzionali apprendibili per gli algoritmi. AIfES è stato ottimizzato specificamente per i sistemi embedded.

"Abbiamo ridotto al minimo il codice sorgente, il che significa che la ANN può essere addestrata direttamente sul microcontrollore o sul sensore, cioè il sistema embedded. Inoltre il codice sorgente è universalmente valido e può essere compilato per quasi tutte le piattaforme. Poiché vengono sempre utilizzati gli stessi algoritmi, una ANN generata ad esempio su un PC può essere facilmente portata su un microcontrollore. Fino ad ora questo è stato impossibile in questa forma con le soluzioni software disponibili in commercio, " dice il dottor Pierre Gembaczka, ricercatore associato presso Fraunhofer IMS.

Tutela della privacy

Un'altra caratteristica unica e qualificante dell'IA correlata ai sensori di Fraunhofer IMS:fino ad ora l'intelligenza artificiale e le reti neurali sono state utilizzate principalmente per l'elaborazione delle immagini e il riconoscimento vocale, a volte con i dati che lasciano i sistemi locali. Per esempio, i profili vocali vengono elaborati in cloud su server esterni, poiché la potenza di calcolo del sistema locale non è sempre adeguata. "È difficile proteggere la privacy in questo processo, e vengono trasmesse enormi quantità di dati. Ecco perché abbiamo scelto un approccio diverso e ci stiamo allontanando dai processi di apprendimento automatico nel cloud a favore dell'apprendimento automatico direttamente nel sistema embedded.

Poiché nessun dato sensibile lascia il sistema, la protezione dei dati può essere garantita e le quantità di dati da trasferire sono notevolmente ridotte, "dice Burkhard Heidemann, Responsabile del gruppo "Embedded Systems" presso Fraunhofer IMS. "Naturalmente non è possibile implementare modelli di deep learning giganti su un sistema embedded, quindi stiamo aumentando i nostri sforzi per realizzare un'estrazione di funzionalità elegante per ridurre i segnali di ingresso." Incorporando l'intelligenza artificiale direttamente nel microcontrollore, i ricercatori consentono di dotare un dispositivo di funzioni aggiuntive senza la necessità di costose modifiche hardware.

Ridurre i dati

AIfES non si concentra sull'elaborazione di grandi quantità di dati, invece di trasferire solo i dati necessari per costruire reti neurali molto piccole. "Non stiamo seguendo la tendenza verso l'elaborazione di big data; ci atteniamo ai dati assolutamente necessari e stiamo creando una sorta di micro-intelligenza nel sistema integrato in grado di risolvere il compito in questione. Sviluppiamo nuove estrazioni di funzionalità e nuovi strategie di pre-elaborazione dei dati per ogni problema in modo da poter realizzare la più piccola ANN possibile, consentendo un successivo apprendimento sul controller stesso, "Spiega Gembaczka.

L'approccio è già stato messo in pratica sotto forma di diversi dimostratori. Se ad esempio il gruppo di ricerca implementasse il riconoscimento di numeri scritti a mano su un economico microcontrollore a 8 bit (Arduino Uno). Ciò è stato reso tecnicamente possibile sviluppando un metodo innovativo di estrazione delle caratteristiche. Un altro dimostratore è in grado di riconoscere gesti complessi compiuti nell'aria. Qui gli scienziati dell'IMS hanno sviluppato un sistema composto da un microcontrollore e un sensore di orientamento assoluto che riconosce i numeri scritti nell'aria. "Una possibile applicazione qui sarebbe il funzionamento di un indossabile, " precisano i ricercatori. "Affinché questo tipo di comunicazione funzioni, varie persone scrivono più volte i numeri da uno a nove. La rete neurale riceve questi dati di addestramento, impara da esso e nel passaggio successivo identifica i numeri in modo indipendente. E quasi ogni figura può essere allenata, non solo numeri." Questo elimina la necessità di controllare il dispositivo tramite il riconoscimento vocale:il wearable può essere controllato con i gesti e la privacy dell'utente rimane protetta.

Non ci sono praticamente limiti alle potenziali applicazioni di AIfES:ad esempio, un braccialetto con riconoscimento dei gesti integrato potrebbe essere utilizzato per controllare l'illuminazione interna. E non solo AIfES può riconoscere i gesti, può anche monitorare come sono stati eseguiti i gesti. Esercizi e movimenti in fisioterapia e fitness possono essere valutati senza bisogno di un allenatore o di un terapista. La privacy viene mantenuta poiché non viene utilizzata alcuna fotocamera o cloud. AIfES può essere utilizzato in una varietà di campi come quello automobilistico, medicinale, Smart Home e Industria 4.0.

AI decentralizzata

E ci sono altri vantaggi per AIfES:la libreria consente di decentralizzare la potenza di calcolo, ad esempio consentendo a piccoli sistemi embedded di ricevere i dati prima dell'elaborazione e di trasmettere i risultati a un sistema sovraordinato. Ciò riduce drasticamente la quantità di dati da trasferire. Inoltre, è possibile implementare una rete di piccoli sistemi di apprendimento che distribuiscono compiti tra loro.

Apprendimento profondo

AIfES attualmente contiene una rete neurale con una struttura feedforward che supporta anche reti neurali profonde. "Abbiamo programmato la nostra soluzione in modo da poter descrivere una rete completa con un'unica funzione, " afferma Gembaczka. L'integrazione di forme e strutture di rete aggiuntive è attualmente in fase di sviluppo. Inoltre, il ricercatore e i suoi colleghi stanno sviluppando componenti hardware per reti neurali oltre ad altri algoritmi di apprendimento e dimostratori. Fraunhofer IMS sta attualmente lavorando su un microprocessore RISC-V che avrà un acceleratore hardware specifico per le reti neurali.Una versione speciale di AIfES è in fase di ottimizzazione per questo hardware al fine di sfruttare in modo ottimale la risorsa.